通过基于深度卷积神经网络的伪影抑制改进稀疏视角计算机断层扫描中的自动出血检测
图像与视频处理
2024-08-09 v4 计算机视觉与模式识别
机器学习
医学物理
摘要
此为预印本。最新版本已发表于：https://pubs.rsna.org/doi/10.1148/ryai.230275 目的：稀疏视角计算机断层扫描（CT）是通过减少采集的总视角数来降低剂量的有效方法，但代价是图像质量下降，进而影响疾病检测能力。我们探索稀疏视角颅脑CT扫描中基于深度学习的伪影抑制及其对自动出血检测的影响。方法：我们在来自公共数据集的3000名患者的模拟稀疏视角颅脑CT扫描上训练用于伪影抑制的U-Net，并以不同子采样水平重建。此外，我们在17445名患者的全采样CT数据上训练用于自动出血检测的卷积神经网络。我们使用受试者工作特征曲线下面积（AUC-ROC）及相应95%置信区间（CI）与DeLong检验以及混淆矩阵评估分类性能。将U-Net性能与基于全变分（TV）的分析方法比较。结果：在图像质量与自动出血诊断方面，U-Net优于未处理与TV处理图像。经U-Net后处理，视角数可从4096（AUC-ROC：0.974；95% CI：0.972–0.976）减至512视角（0.973；0.971–0.975），出血检测下降极小（P<.001），并可减至256视角（0.967；0.964–0.969），性能略有下降（P<.001）。结论：结果表明基于U-Net的伪影抑制显著增强了稀疏视角颅脑CT中的自动出血检测。我们的发现强调，在最小化辐射剂量的同时，恰当的后处理对最优图像质量与诊断精度至关重要。
引用
@article{arxiv.2303.09340,
title = {Improving Automated Hemorrhage Detection in Sparse-view Computed Tomography via Deep Convolutional Neural Network based Artifact Reduction},
author = {Johannes Thalhammer and Manuel Schultheiss and Tina Dorosti and Tobias Lasser and Franz Pfeiffer and Daniela Pfeiffer and Florian Schaff},
journal= {arXiv preprint arXiv:2303.09340},
year = {2024}
}
备注
11 pages, 6 figures, 1 table